A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Aula T06 – BCC202 Análise de Algoritmos (Parte 4) Túlio Toffolo www.decom.ufop.br/toffolo.

Apresentações semelhantes


Apresentação em tema: "Aula T06 – BCC202 Análise de Algoritmos (Parte 4) Túlio Toffolo www.decom.ufop.br/toffolo."— Transcrição da apresentação:

1 Aula T06 – BCC202 Análise de Algoritmos (Parte 4) Túlio Toffolo

2 Se f é uma função de complexidade para um algoritmo F, então O(f) é considerada a complexidade assintótica ou o comportamento assintótico do algoritmo F. A relação de dominação assintótica permite comparar funções de complexidade. Entretanto, se as funções f e g dominam assintoticamente uma a outra, então os algoritmos associados são equivalentes. Nestes casos, o comportamento assintótico não serve para comparar os algoritmos. Classes de Comportamento Assintótico

3 Por exemplo, considere dois algoritmos F e G aplicados à mesma classe de problemas, sendo que F leva três vezes o tempo de G ao serem executados, isto é, f(n) = 3g(n), sendo que O(f(n)) = O(g(n)). Logo, o comportamento assintótico não serve para comparar os algoritmos F e G, porque eles diferem apenas por uma constante. Podemos avaliar programas comparando as funções de complexidade, negligenciando as constantes de proporcionalidade. Classes de Comportamento Assintótico

4 Um programa com tempo de execução O(n) é melhor que outro com tempo O(n 2 ). Porém, as constantes de proporcionalidade podem alterar esta consideração. Exemplo: um programa leva 100n unidades de tempo para ser executado e outro leva 2n 2. Qual dos dois programas é melhor? Depende do tamanho do problema. Para n < 50, o programa com tempo 2n 2 é melhor do que o que possui tempo 100n. Para problemas com entrada de dados pequena é preferível usar o programa cujo tempo de execução é O(n 2 ). Entretanto, quando n cresce, o programa com tempo de execução O(n 2 ) leva muito mais tempo que o programa O(n). Comparação de Programas

5 Principais Classes de Problemas f(n) = O(1)  Algoritmos de complexidade O(1) são ditos de complexidade constante.  Uso do algoritmo independe de n.  As instruções do algoritmo são executadas um número fixo de vezes.

6 f(n) = O(log n)  Um algoritmo de complexidade O(log n) é dito ter complexidade logarítmica.  Típico em algoritmos que transformam um problema em outros menores.  Pode-se considerar o tempo de execução como menor que uma constante grande.  Quando n é mil, log 2 n = 10, quando n é 1 milhão, log 2 n = 20.  Para dobrar o valor de log n temos de considerar o quadrado de n.  A base do logaritmo muda pouco estes valores: quando n é 1 milhão, o log 2 n é 20 e o log 10 n é 6. Principais Classes de Problemas

7 f(n) = O(n)  Um algoritmo de complexidade O(n) é dito ter complexidade linear  Em geral, um pequeno trabalho é realizado sobre cada elemento de entrada  É a melhor situação possível para um algoritmo que tem de processar/produzir n elementos de entrada/saída.  Cada vez que n dobra de tamanho, o tempo de execução dobra.

8 Principais Classes de Problemas f(n) = O(n log n)  Típico em algoritmos que quebram um problema em outros menores, resolvem cada um deles independentemente e ajuntando as soluções depois.  Quando n é 1 milhão, nlog 2 n é cerca de 20 milhões.  Quando n é 2 milhões, nlog 2 n é cerca de 42 milhões, pouco mais do que o dobro.

9 Principais Classes de Problemas f(n) = O(n 2 )  Um algoritmo de complexidade O(n 2 ) é dito ter complexidade quadrática.  Ocorrem quando os itens de dados são processados aos pares, muitas vezes em um anel dentro de outro.  Quando n é mil, o número de operações é da ordem de 1 milhão.  Sempre que n dobra, o tempo de execução é multiplicado por 4.  Úteis para resolver problemas de tamanhos relativamente pequenos.

10 Principais Classes de Problemas f(n) = O(n 3 )  Um algoritmo de complexidade O(n 3 ) é dito ter complexidade cúbica.  Úteis apenas para resolver pequenos problemas.  Quando n é 100, o número de operações é da ordem de 1 milhão.  Sempre que n dobra, o tempo de execução fica multiplicado por 8.

11 Principais Classes de Problemas f(n) = O(2 n )  Um algoritmo de complexidade O(2 n ) é dito ter complexidade exponencial.  Geralmente não são úteis sob o ponto de vista prático.  Ocorrem na solução de problemas quando se usa força bruta para resolvê-los.  Quando n é 20, o tempo de execução é cerca de 1 milhão. Quando n dobra, o tempo fica elevado ao quadrado.

12 Principais Classes de Problemas f(n) = O(n!)  Um algoritmo de complexidade O(n!) é dito ter complexidade exponencial, apesar de O(n!) ter comportamento muito pior do que O(2 n ).  Geralmente ocorrem quando se usa força bruta na solução do problema.  n = 20 → 20! = , um número com 19 dígitos.  n = 40 → um número com 48 dígitos.

13

14 * t = tamanho do problema

15 Algoritmo Polinomial Algoritmo exponencial no tempo de execução tem função de complexidade O(c n ); c > 1. Algoritmo polinomial no tempo de execução tem função de complexidade O(p(n)), onde p(n) é um polinômio. A distinção entre estes dois tipos de algoritmos torna-se significativa quando o tamanho do problema a ser resolvido cresce. Por isso, os algoritmos polinomiais são muito mais úteis na prática do que os exponenciais.

16 Algoritmos Exponenciais x Polinomiais Algoritmos exponenciais são geralmente simples variações de pesquisa exaustiva. Algoritmos polinomiais são geralmente obtidos mediante entendimento mais profundo da estrutura do problema. Um problema é considerado:  intratável: se não existe um algoritmo polinomial para resolvê-lo.  bem resolvido: quando existe um algoritmo polinomial para resolvê-lo.

17 Algoritmos Exponenciais x Polinomiais - Exceções A distinção entre algoritmos polinomiais eficientes e algoritmos exponenciais ineficientes possui várias exceções. Exemplo: um algoritmo com função de complexidade f(n) = 2 n é mais rápido que um algoritmo g(n) = n 5 para valores de n menores ou iguais a 20. Também existem algoritmos exponenciais que são muito úteis na prática. Exemplo: o algoritmo Simplex para programação linear possui complexidade de tempo exponencial para o pior caso mas executa muito rápido na prática. Tais exemplos não ocorrem com freqüência na prática, e muitos algoritmos exponenciais conhecidos não são muito úteis.

18 Exemplo de Algoritmo Exponencial Um caixeiro viajante deseja visitar n cidades de tal forma que sua viagem inicie e termine em uma mesma cidade, e cada cidade deve ser visitada uma única vez Supondo que sempre há uma estrada entre duas cidades quaisquer, o problema é encontrar a menor rota para a viagem. A figura ilustra o exemplo para quatro cidades c1, c2, c3, c4, em que os números nos arcos indicam a distância entre duas cidades. O percurso é uma solução para o problema, cujo percurso total tem distância 24.

19 Exemplo de Algoritmo Exponencial Um algoritmo simples seria verificar todas as rotas e escolher a menor delas. Há (n - 1)! rotas possíveis e a distância total percorrida em cada rota envolve n adições, logo o número total de adições é n!. No exemplo anterior teríamos 24 adições. Suponha agora 50 cidades: o número de adições seria 50! ≈ Em um computador que executa 10 9 adições por segundo, o tempo total para resolver o problema com 50 cidades seria maior do que séculos só para executar as adições. O problema do caixeiro viajante aparece com freqüência em problemas relacionados com transporte, mas também aplicações importantes relacionadas com otimização de caminho percorrido.

20 Técnicas de Análise de Algoritmos Determinar a função de complexidade de tempo de execução de um programa pode ser um problema matemático complexo; Determinar a ordem do tempo de execução, sem preocupação com o valor da constante envolvida, pode ser uma tarefa mais simples. A análise utiliza técnicas de matemática discreta, envolvendo contagem ou enumeração dos elementos de um conjunto:  manipulação de somas  produtos,  permutações,  fatoriais,  coeficientes binomiais,  solução de equações de recorrência

21 Análise do Tempo de Execução Comando de atribuição, de leitura ou de escrita: O(1). Seqüência de comandos: determinado pelo maior tempo de execução de qualquer comando da seqüência. Comando de decisão: tempo dos comandos dentro do comando condicional, mais tempo para avaliar a condição, que é O(1). Anel: soma do tempo de execução do corpo do anel mais o tempo de avaliar a condição para terminação (geralmente O(1)), multiplicado pelo número de iterações. Procedimentos não recursivos: cada um deve ser computado separadamente um a um, iniciando com os que não chamam outros procedimentos. Avalia-se então os que chamam os já avaliados (utilizando os tempos desses). O processo é repetido até chegar no programa principal.

22 Exemplo 1 void exemplo1 (int n) { int i, a; a=0; for (i=0; i

23 Exemplo 2 void exemplo2 (int n) { int i,j,a; a=0; for (i=0; ii; j--) a+=i+j; exemplo1(n); }

24 (1) ‏ (2) ‏ (3) ‏ (4) ‏ (5) ‏ (6) ‏ (7) ‏ (8) ‏ void Ordena(Vetor A,, int n‏ ) { /*ordena o vetor A em ordem ascendente*/ int i, j, min,aux; for (i = 0; i < n-1; i++) { min = i; for (j = i + 1; j < n; j++) if (A[ j ] < A[ min ]) ‏ min = j; /*troca A[min] e A[i]*/ aux = A[ min ]; A[ min ] = A[ i ]; A[ i ] = aux; } O que faz a função? Como? Qual a sua complexidade? Procedimento

25 Algoritmo de Ordenação Seleciona o menor elemento do conjunto. Troca este com o primeiro elemento A[1]. Repita as duas operações acima com os n - 1 elementos restantes, depois com os n - 2, até que reste apenas um.

26 Anel Interno Contém um comando de decisão, com um comando apenas de atribuição. Ambos levam tempo constante para serem executados. Quanto ao corpo do comando de decisão, devemos considerar o pior caso, assumindo que será sempre executado. O tempo para incrementar o índice do anel e avaliar sua condição de terminação é O(1). O tempo combinado para executar uma vez o anel é O(max(1, 1, 1)) = O(1), conforme regra da soma para a notação O Como o número de iterações é n – i –1, o tempo gasto no anel é O((n – i –1) x 1) = O(n – i –1), conforme regra do produto para a notação O. Análise do Procedimento

27 Anel Externo Contém, além do anel interno, quatro comandos de atribuição. O(max(1, (n – i – 1), 1, 1, 1)) = O(n – i – 1). A linha (1) é executada n - 1 vezes, e o tempo total para executar o programa está limitado ao produto de uma constante pelo somatório de (n – i – 1): Se considerarmos o número de comparações como a medida de custo relevante, o programa faz (n 2 )/2 - n/2 comparações para ordenar n elementos. Se considerarmos o número de trocas, o programa realiza exatamente n - 1 trocas. Análise do Procedimento

28 Exercício 1 // Considere A, B e C vetores globais void p1 (int n) { int i, j, k; for (i=0; i=0; k--) C[i][j]=C[i][j]+A[i][k]*B[k][j]; }

29 Exercício 2 void p2(int* x, int n){ int i, j, a; for (i=0; i 10) for (j=0; j= 0) { x[j] = x[j] - 2; j = j - 1; }

30 Exercício 3 void p3(int* x, int n){ int i, j, a; for (i=0; i 10) for (j=i+1; j= 0) { x[j] = x[j] - 2; j = j - 1; }


Carregar ppt "Aula T06 – BCC202 Análise de Algoritmos (Parte 4) Túlio Toffolo www.decom.ufop.br/toffolo."

Apresentações semelhantes


Anúncios Google